新闻详情

新闻详情

首页 / 资讯中心 / 详情

FastAPI 新手入门第 1 篇:第一个接口

发布时间:2026/10/25 0:17:41来源:尧图网络
FastAPI 新手入门第 1 篇:第一个接口
这一篇先不讲数据库、登录、项目分层也不急着解释一堆后端概念。先做一件很小的事写一个 FastAPI 接口把服务启动起来然后在浏览器里看到它返回 JSON。只要这一步跑通后面的参数、请求体、数据校验、错误处理都会更好理解。因为你已经知道一件事Python 函数可以变成一个能被浏览器访问的接口。先准备一个最小项目我会把这个系列的示例代码放在 fastapi-beginner-lab 这个项目里。第一篇的目录很简单fastapi-beginner-lab/ app/ __init__.py main.py pyproject.toml这里先不用关心复杂目录。app/main.py放接口代码pyproject.toml放项目依赖。安装 FastAPI先写pyproject.toml。这一段只做一件事告诉 Python 项目需要fastapi[standard]。[project] name fastapi-beginner-lab version 0.1.0 description Example project for a FastAPI beginner tutorial series. requires-python 3.10 dependencies [ fastapi[standard]0.115.0, ] [tool.fastapi] entrypoint app.main:appfastapi[standard]会安装 FastAPI 常用的标准依赖也包括后面要用到的fastapi命令。entrypoint app.main:app的意思是FastAPI 应用对象在app/main.py文件里的app变量上。接着创建虚拟环境并安装依赖只需要依次输入下面三行命令python-m venv.venv.\.venv\Scripts\Activate.ps1 python-m pip install-e.如果你看到安装过程正常结束就可以开始写接口了。写第一个接口这段代码只需要看三个位置FastAPI()创建应用app.get(/)声明访问路径return决定返回给浏览器的数据。fromfastapiimportFastAPI appFastAPI()app.get(/)defread_root():return{message:Hello FastAPI}app.get(/ping)defping():return{message:pong}这就是第一版后端服务。它有两个接口GET /返回{message: Hello FastAPI}。GET /ping返回{message: pong}用来确认服务还活着。这里的返回值是 Python 字典。FastAPI 会把它转换成 JSON 响应浏览器看到的就是一段 JSON。把服务跑起来在fastapi-beginner-lab目录下运行$env:PYTHONIOENCODING utf-8$env:PYTHONUTF8 1fastapi dev app/main.py前两行是给 Windows 终端准备的。FastAPI 的启动日志里可能会输出 emoji如果终端还在使用 GBK 编码可能会遇到UnicodeEncodeError。先把当前终端的 Python 输出切到 UTF-8会少掉这个坑。正常启动后终端里会出现类似这样的地址http://127.0.0.1:8000打开浏览器访问http://127.0.0.1:8000/应该能看到{message:Hello FastAPI}再访问http://127.0.0.1:8000/ping应该能看到{message:pong}到这里第一个接口已经跑起来了。打开自动生成的接口文档FastAPI 还会自动生成一个接口调试页面。访问http://127.0.0.1:8000/docs你会看到两个接口GET /和GET /ping。点开GET /ping再点Try it out和Execute页面里会显示请求地址、状态码和响应内容。这个页面背后用的是 Swagger UI但现在不用急着记这个名字。先记住它的用途不用额外安装 Postman也能在浏览器里调用接口。看一眼 openapi.json还有一个地址值得看一下http://127.0.0.1:8000/openapi.json这个地址会返回一大段 JSON。它描述了当前服务有哪些接口、每个接口支持什么方法、可能返回什么结果。/docs页面就是根据这份 JSON 生成的。也就是说FastAPI 不只是帮我们写了一个调试页面它还把接口信息整理成了一份机器能读懂的说明书。这一点后面会很有用。前端、测试工具、接口文档工具都可以围绕这份说明书工作。这几行代码做了什么现在回头看app/main.py第一篇只需要理解这几行appFastAPI()app.get(/ping)defping():return{message:pong}app FastAPI()创建了一个应用对象。后面所有接口都会挂到这个对象上。app.get(/ping)表示当浏览器用GET方法访问/ping时FastAPI 会执行下面的ping()函数。return {message: pong}是接口返回的数据。FastAPI 会把 Python 字典转换成 JSON。这就是最小的 FastAPI 工作方式路径对应函数函数返回数据。动手改一下现在给自己留一个很小的改动新增一个/hello接口。在app/main.py里加上这段代码app.get(/hello)defhello():return{message:hello fastapi}保存后不用手动重启服务。fastapi dev会监听文件变化通常会自动重新加载。打开http://127.0.0.1:8000/docs如果你能在页面里看到GET /hello并且点Execute后拿到下面的响应这一篇就算学完{message:hello fastapi}下一篇我们继续往这个项目里加东西让接口接收 URL 里的参数。到那时你会看到浏览器地址栏里的数字怎么变成 Python 函数里的变量。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/23 14:14:50

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/23 14:14:34

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/23 14:11:44

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/24 4:32:58

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/23 14:10:55

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/23 14:14:34

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉